論文の概要: Clifford Perturbation Approximation for Quantum Error Mitigation
- arxiv url: http://arxiv.org/abs/2412.09518v1
- Date: Thu, 12 Dec 2024 18:01:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:31:54.192095
- Title: Clifford Perturbation Approximation for Quantum Error Mitigation
- Title（参考訳）: クリフォード摂動近似による量子エラー低減
- Authors: Ruiqi Zhang, Yuguo Shao, Fuchuan Wei, Song Cheng, Zhaohui Wei, Zhengwei Liu,
- Abstract要約: 量子エラー緩和(QEM)は、短期量子デバイスのポテンシャルを活用するために重要である。
我々はClifford Perturbation Data Regression (CPDR) と呼ばれる学習に基づく誤り軽減フレームワークを提案する。
CPDRは、小さな摂動を持つクリフォード回路によるトレーニングセットを構築する。
- 参考スコア（独自算出の注目度）: 6.8335953981503454
- License:
- Abstract: Quantum error mitigation (QEM) is critical for harnessing the potential of near-term quantum devices. Particularly, QEM protocols can be designed based on machine learning, where the mapping between noisy computational outputs and ideal ones can be learned on a training set consisting of Clifford circuits or near-Clifford circuits that contain only a limited number of non-Clifford gates. This learned mapping is then applied to noisy target circuits to estimate the ideal computational output. In this work, we propose a learning-based error mitigation framework called Clifford Perturbation Data Regression (CPDR), which constructs training sets by Clifford circuits with small perturbations. Specifically, these circuits are parameterized quantum circuits, where the rotation angles of the gates are restricted to a narrow range, ensuring that the gates remain close to Clifford gates. This design enables the efficient simulation of the training circuits using the Sparse Pauli Dynamics method. As a result, CPDR is able to utilize training sets with a better diversity to train the model, compared with previous learning-based QEM models that construct training sets with only Clifford or near-Clifford circuits. Numerical simulations on small-scale Ising model circuits demonstrate that the performance of CPDR dramatically outperforms that of existing methods such as Zero-Noise Extrapolation and learning-based Probabilistic Error Cancellation. Furthermore, using the experimental data from IBM's 127-qubit Eagle processor, our findings suggest that CPDR demonstrates improved accuracy compared to the original mitigation results reported in [Nature 618, 500 (2023)].
- Abstract（参考訳）: 量子エラー緩和(QEM)は、短期量子デバイスのポテンシャルを活用するために重要である。
特に、QEMプロトコルは機械学習に基づいて設計することができ、ノイズの多い計算出力と理想値とのマッピングは、クリフォード回路または、限定数の非クリフォードゲートを含む近クリフォード回路からなるトレーニングセットで学習することができる。
この学習されたマッピングは、理想的な計算出力を推定するためにノイズの多いターゲット回路に適用される。
本研究では,Clifford Perturbation Data Regression (CPDR) と呼ばれる学習に基づく誤り軽減フレームワークを提案する。
具体的には、これらの回路はパラメータ化された量子回路であり、ゲートの回転角は狭い範囲に制限され、ゲートがクリフォードゲートの近くに留まることを保証している。
この設計により、スパース・パウリ・ダイナミクス法を用いたトレーニング回路の効率的なシミュレーションが可能となる。
その結果,CPDRは,Clifford回路や準Clifford回路のみを用いたトレーニングセットを構築する従来の学習ベースQEMモデルと比較して,モデルトレーニングの多様性が向上したトレーニングセットを利用することができた。
小型イジングモデル回路の数値シミュレーションにより、CPDRの性能はゼロノイズ外挿法や学習に基づく確率的誤差キャンセラ法などの既存手法よりも劇的に優れていた。
さらに,IBM の 127-qubit Eagle プロセッサの実験データを用いて,CPDR は [Nature 618, 500 (2023)] で報告された元の緩和結果と比較して精度が向上していることを示す。
関連論文リスト
- QuCLEAR: Clifford Extraction and Absorption for Significant Reduction in Quantum Circuit Size [8.043057448895343]
現在利用可能な量子デバイスは、実行された量子回路の忠実さを低下させるノイズの多い量子ゲートに悩まされている。
本稿では,量子回路の最適化を目的としたコンパイルフレームワークQuCLEARを提案する。
論文 参考訳（メタデータ） (2024-08-23T18:03:57Z) - Scalable noise characterisation of syndrome extraction circuits with averaged circuit eigenvalue sampling [0.0]
平均回路固有値サンプリング(ACES)は、量子回路のスケーラブルなノイズ特性化のための一般的なフレームワークである。
ACES 実験の性能を厳密に分析することにより,期待される性能に対するメリットの図形を導出する。
以上の結果から,ノイズの詳細な特徴付け手法は短期量子デバイスに拡張可能であることが示唆された。
論文 参考訳（メタデータ） (2024-04-09T18:00:30Z) - Probabilistic error cancellation for dynamic quantum circuits [0.1794906241363549]
本研究は,PECの単元回路から計測に基づく動的回路への応用を拡張したものである。
提案手法は,超伝導プロセッサにおける非局所測定クロストークを考慮に入れながら,疎いパウリ・リンドブラッドノイズモデルから計測に基づく操作まで拡張する。
論文 参考訳（メタデータ） (2023-10-11T19:07:24Z) - Simulation of IBM's kicked Ising experiment with Projected Entangled
Pair Operator [71.10376783074766]
我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。
提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。
我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
論文 参考訳（メタデータ） (2023-08-06T10:24:23Z) - Adaptive Planning Search Algorithm for Analog Circuit Verification [53.97809573610992]
シミュレーションの少ない機械学習(ML)アプローチを提案する。
提案手法により,OCCを全回路の仕様に近づけることができることを示す。
論文 参考訳（メタデータ） (2023-06-23T12:57:46Z) - Simulating quantum circuit expectation values by Clifford perturbation
theory [0.0]
クリフォードゲートと非クリフォードパウリ回転からなる回路の期待値問題を考える。
ハイゼンベルク図形の指数関数的に増大するパウリ項の和の切り離しに基づく摂動的アプローチを導入する。
その結果、この体系的に即効性のある摂動法は、大きな近クリフォード回路の期待値を近似する正確な方法の代替となる可能性が示唆された。
論文 参考訳（メタデータ） (2023-06-07T21:42:10Z) - Linear Cross Entropy Benchmarking with Clifford Circuits [6.885865913527472]
雑音のあるクリフォード回路のクラスを数値シミュレーションし、指数減衰を観測する。
従来の処理タスクをワークステーションで簡単に処理できる1,225キュービットまでのシステムのシミュレーションを行う。
論文 参考訳（メタデータ） (2022-06-16T16:49:22Z) - Performance of teleportation-based error correction circuits for bosonic
codes with noisy measurements [58.720142291102135]
テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。
マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
論文 参考訳（メタデータ） (2021-08-02T16:12:13Z) - Simulating quench dynamics on a digital quantum computer with
data-driven error mitigation [62.997667081978825]
本稿では、実量子データにおけるノイズの影響を軽減するために用いられる、クリフォードデータ回帰に基づくいくつかの手法の最初の実装の1つを示す。
一般に、クリフォードデータ回帰に基づく手法は、ゼロノイズ外挿法と比較して有利である。
これはこの種の研究でこれまで調査された中で最大のシステムである。
論文 参考訳（メタデータ） (2021-03-23T16:56:14Z) - On the realistic worst case analysis of quantum arithmetic circuits [69.43216268165402]
量子回路の設計における直観は誤解を招く可能性があることを示す。
また,T数を減らすことで,全深度を増大させることができることを示した。
リップルキャリーを用いた加算回路と乗算回路について述べる。
論文 参考訳（メタデータ） (2021-01-12T21:36:16Z) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳（メタデータ） (2020-07-29T05:26:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。